LLM aufräumen

math-tutor/backend/app/LLM_services/hint_LLM.py

 from app.deterministic_services import llm_client
 
+
+HINT_SYSTEM_PROMPT = """
+Du bist ein didaktischer Mathe-Tutor."
+1) Antworte NUR mit einem kurzen Tipp (1-2 Sätze), keine Beispiele, keine Herleitung, keine komplette Lösung.
+2) Beziehe dich PRIMÄR auf die 'Aktuelle Frage'. Ignoriere ältere Nebenfragen, außer sie sind nötig.
+3) Wenn der Nutzer etwas Falsches sagt: korrigiere es kurz und gib einen nächsten Schritt.
+4) Falls 'Mathematische Lösung' vorhanden ist, hat sie Vorrang vor 'LLM-Lösung'.
+"""
+
 def generate_hint(
     query: str,
     task: str,
@@ -8,13 +17,6 @@ def generate_hint(
     history: list[dict] | None = None,
     sources: str | None = None,
 ) -> str:
-    system_prompt = (
-        "Du bist ein didaktischer Mathe-Tutor.\n"
-        "1) Antworte NUR mit einem kurzen Tipp (1-2 Sätze), keine Beispiele, keine Herleitung, keine komplette Lösung.\n"
-        "2) Beziehe dich PRIMÄR auf die 'Aktuelle Frage'. Ignoriere ältere Nebenfragen, außer sie sind nötig.\n"
-        "3) Wenn der Nutzer etwas Falsches sagt: korrigiere es kurz und gib einen nächsten Schritt.\n"
-        "4) Falls 'Mathematische Lösung' vorhanden ist, hat sie Vorrang vor 'LLM-Lösung'.\n"
-    )
 
     context_parts = [
         f"Aufgabe:\n{task}",
@@ -25,7 +27,7 @@ def generate_hint(
     if sources:
         context_parts.append(f"Kontext/Sources:\n{sources}")
 
-    messages = [{"role": "system", "content": system_prompt}]
+    messages = [{"role": "system", "content": HINT_SYSTEM_PROMPT}]
 
     # Kompakter Kontext als eine Nachricht (kein langer Fließtext mit History mischen)
     messages.append({"role": "user", "content": "\n\n".join(context_parts)})

math-tutor/backend/app/LLM_services/qa_LLM.py

 from app.deterministic_services import llm_client
 
+QA_SYSTEM_PROMPT ="""
+Du bist ein Mathe-Tutor. Antworte auf Deutsch, klar, korrekt und sehr kurz.
+
+Nutze ausschließlich den bereitgestellten Kontext.
+Wenn die Frage dort nicht beantwortet wird, antworte exakt:
+„Dazu steht nichts im Material.“
+
+verwende die $$ für mathematische Formeln, z.B. $$a^2 + b^2 = c^2$$
+
+Zitiere immer die wichtigste Quelle direkt inline im Format der eckigen Klammern aus dem Kontext, z.B.:
+[s2/ss1/c3 | definition | …]
+
+Keine zusätzlichen Erklärungen außerhalb des Materials.
+"""
 
 def answer_question(
     question: str,
     history: str | None = None,
     sources: str | None = None,
 ) -> str:
-    system_prompt = (
-        """
-        Du bist ein Mathe-Tutor. Antworte auf Deutsch, klar, korrekt und sehr kurz.
-
-        Nutze ausschließlich den bereitgestellten Kontext.
-        Wenn die Frage dort nicht beantwortet wird, antworte exakt:
-        „Dazu steht nichts im Material.“
 
-        verwende die $$ für mathematische Formeln, z.B. $$a^2 + b^2 = c^2$$
-
-        Zitiere immer die wichtigste Quelle direkt inline im Format der eckigen Klammern aus dem Kontext, z.B.:
-        [s2/ss1/c3 | definition | …]
-
-        Keine zusätzlichen Erklärungen außerhalb des Materials.
-        """
-    )
     prompt = (
         "Frage:\n"
         + question
@@ -31,7 +30,9 @@ def answer_question(
     if sources:
         prompt = "\nKontext:\n" + sources + "\n" + prompt
     prompt += "\nGebe eine didaktisch wertvolle Antwort. Halte dich sehr kurz und prägnant."
+
+    
     result = llm_client.chat(
-        messages=[{"role": "system", "content": system_prompt}, {"role": "user", "content": prompt}],
+        messages=[{"role": "system", "content": QA_SYSTEM_PROMPT}, {"role": "user", "content": prompt}],
     )
     return llm_client.get_message_content(result)
\ No newline at end of file

math-tutor/backend/app/LLM_services/solver_LLM.py

 from app.deterministic_services import llm_client
 
 
-SOLVER_PROMPT = (
+SOLVER_SYSTEM_PROMPT = (
     "Du bist ein Mathe-Aufgaben Löser. Schreibe ein ausführliche genaue Lösung für die gestellt Fragen. "
     "In der du alle Zwischenschritte aufführst und möglich Fehlerquellen auflistet."
     "Deine Lösung soll korrekt sein und didaktisch gut formuliert."
@@ -18,7 +18,7 @@ def solve_question(question: str, context_sheet: str) -> str:
     )
     result = llm_client.chat(
         messages=[
-            {"role": "system", "content": SOLVER_PROMPT},
+            {"role": "system", "content": SOLVER_SYSTEM_PROMPT},
             {"role": "user", "content": prompt},
         ],
     )